核心原理

資料寫

寫操作

UPSERT：預設行為，資料先通過 index 打標(INSERT/UPDATE)，有一些啟發式演演算法決定訊息的組織以優化檔案的大小 => CDC 匯入。
INSERT：跳過 index，寫入效率更高 => Log Deduplication。
BULK_INSERT：寫排序，對巨量資料量的 Hudi 表初始化友好，是對檔案大小的限制最好效果（寫 HFile）。

UPSERT寫流程

Copy On Write (COW)
- 先對 records 按照 record key 去重。
- 首先對這批資料建立索引 (HoodieKey => HoodieRecordLocation)；通過索引區分哪些 records 是 update，哪些 records 是 insert（key 第一次寫入）。
- 對於 update 訊息，會直接找到對應 key 所在的最新 FileSlice 的 base 檔案，並做 merge 後寫新的 base file (新的 FileSlice)。
- 對於 insert 訊息，會掃描當前 partition 的所有 SmallFile（小於一定大小的 base file），然後 merge 寫新的 FileSlice；如果沒有 SmallFile，直接寫新的 FileGroup + FileSlice。
Merge On Read (MOR)
- 先對 records 按照 record key 去重（可選）。
- 首先對這批資料建立索引 (HoodieKey => HoodieRecordLocation)；通過索引區分哪些 records 是 update，哪些 records 是 insert（key 第一次寫入）。
- 如果是 insert 訊息，如果 log file 不可建索引（預設），會嘗試 merge 分割區內最小的 base file （不包含 log file 的 FileSlice），生成新的 FileSlice；如果沒有 base file 就新寫一個 FileGroup + FileSlice + base file；如果 log file 可建索引，嘗試 append 小的 log file，如果沒有就新寫一個 FileGroup + FileSlice + base file。
- 如果是 update 訊息，寫對應的 file group + file slice，直接 append 最新的 log file（如果碰巧是當前最小的小檔案，會 merge base file，生成新的 file slice）。
- log file 大小達到閾值會 roll over 一個新的。

INSERT寫流程

Copy On Write
- 先對 records 按照 record key 去重（可選）。
- 不會建立 Index。
- 如果有小的 base file 檔案，merge base file，生成新的 FileSlice + base file，否則直接寫新的 FileSlice + base file。
Merge On Read
- 先對 records 按照 record key 去重（可選）。
- 不會建立 Index。
- 如果 log file 可索引，並且有小的 FileSlice，嘗試追加或寫最新的 log file；如果 log file 不可索引，寫一個新的 FileSlice + base file。

INSERT OVERWRIT寫流程

在同一分割區中建立新的檔案組集，現有的檔案組被標記為「刪除」，根據新記錄的數量建立新的檔案組。

COW流程如下

MOR流程如下

優點
- COW和MOR在執行方面非常相似。不干擾MOR的compaction。
- 減少parquet檔案大小。
- 不需要更新關鍵路徑中的外部索引。索引實現可以檢查檔案組是否無效（類似於在HBaseIndex中檢查commit是否無效的方式）。
- 可以擴充套件清理策略，在一定的時間視窗後刪除舊檔案組。
缺點
- 需要轉發以前提交的後設資料。
- 在t1，比如file1被標記為無效，我們在t1.commit中儲存「invalidFiles=file1」(或者在MOR中儲存deltacommit)。
- 在t2，比如file2也被標記為無效。我們轉發之前的檔案，並在t2.commit中標記「invalidFiles=file1, file2」（或MOR的deltacommit）。
- 忽略磁碟中存在的parquet檔案也是Hudi的一個新行為, 可能容易出錯,我們必須認識到新的行為，並更新檔案系統的所有檢視來忽略它們。這一點可能會在實現其他功能時造成問題。

Key 生成策略

用來生成 HoodieKey（record key + partition path），目前支援以下策略：

支援多個欄位組合 record keys。
支援多個欄位組合的 parition path （可客製化時間格式，Hive style path name）。
非分割區表

刪除策略

邏輯刪：將 value 欄位全部標記為 null。
物理刪：
- 通過 OPERATION_OPT_KEY 刪除所有的輸入記錄。
- 設定 PAYLOAD_CLASS_OPT_KEY = org.apache.hudi.EmptyHoodieRecordPayload 刪除所有的輸入記錄。
- 在輸入記錄新增欄位：_hoodie_is_deleted。

寫流程歸納

通過對寫流程的梳理可以瞭解到 Apache Hudi 相對於其他資料湖方案的核心優勢：

寫入過程充分優化了檔案儲存的小檔案問題，Copy On Write 寫會一直將一個 bucket （FileGroup）的 base 檔案寫到設定的閾值大小才會劃分新的 bucket；Merge On Read 寫在同一個 bucket 中，log file 也是一直 append 直到大小超過設定的閾值 roll over。
對 UPDATE 和 DELETE 的支援非常高效，一條 record 的整個生命週期操作都發生在同一個 bucket，不僅減少小檔案數量，也提升了資料讀取的效率（不必要的 join 和 merge）。

資料讀

Snapshot 讀：讀取所有 partiiton 下每個 FileGroup 最新的 FileSlice 中的檔案，Copy On Write 表讀 parquet 檔案，Merge On Read 表讀 parquet + log 檔案。
Incremantal讀：當前的 Spark data source 可以指定消費的起始和結束 commit 時間，讀取 commit 增量的資料集。但是內部的實現不夠高效：拉取每個 commit 的全部目標檔案再按照系統欄位 hoodie_commit_time apply 過濾條件。
Streaming讀：0.8.0 版本的 HUDI Flink writer 支援實時的增量訂閱，可用於同步 CDC 資料，日常的資料同步 ETL pipeline。Flink 的 streaming 讀做到了真正的流式讀取，source 定期監控新增的改動檔案，將讀取任務下派給讀 task。
Compaction 合併
- 沒有 base file：走 copy on write insert 流程，直接 merge 所有的 log file 並寫 base file。
- 有 base file：走 copy on write upsert 流程，先讀 log file 建 index，再讀 base file，最後讀 log file 寫新的 base file。
- Flink 和 Spark streaming 的 writer 都可以 apply 非同步的 compaction 策略，按照間隔 commits 數或者時間來觸發 compaction 任務，在獨立的 pipeline 中執行。

整合Spark使用

環境準備

安裝Spark

Hudi使用Spark-2.4.3+和Spark 3。x版本。Hudi支援的Spark版本如下:

解壓spark-3.3.0-bin-hadoop3.tgz，設定Spark環境變數

vim /etc/profile
export SPARK_HOME=/home/commons/spark-3.3.0-bin-hadoop3
export PATH=$SPARK_HOME/bin:$PATH

source /etc/profile

然後將前面編譯的hudi-spark3.3-bundle_2.12-0.12.1.jar（在hudi的根目錄下packaging/hudi-spark-bundle/target/，至於如何編譯請看前面的內容）拷貝到Spark根目錄下Jars目錄。

啟動hadoop（詳細看前面關於hadoop的文章）

spark-shell使用

啟動

不同版本（Spark 3.3、Spark 3.2、Spark 3.1、Spark 2.4）的spark-shell啟動命令有所不同，下面以Spark 3.3來操作演示。

spark-shell \
  --packages org.apache.hudi:hudi-spark3.3-bundle_2.12:0.12.1 \
  --conf 'spark.serializer=org.apache.spark.serializer.KryoSerializer' \
  --conf 'spark.sql.catalog.spark_catalog=org.apache.spark.sql.hudi.catalog.HoodieCatalog' \
  --conf 'spark.sql.extensions=org.apache.spark.sql.hudi.HoodieSparkSessionExtension'

接下來設定表名、基本路徑和資料生成器

import org.apache.hudi.QuickstartUtils._
import scala.collection.JavaConversions._
import org.apache.spark.sql.SaveMode._
import org.apache.hudi.DataSourceReadOptions._
import org.apache.hudi.DataSourceWriteOptions._
import org.apache.hudi.config.HoodieWriteConfig._
import org.apache.hudi.common.model.HoodieRecord

val tableName = "hudi_trips_cow"
val basePath = "file:///tmp/hudi_trips_cow"
val dataGen = new DataGenerator

DataGenerator可以根據旅行應用生成相應的樣例資料插入和更新;spark中不需要單獨的create table命令如果表不存在，第一批寫入操作將建立該表。

插入資料

接下來通過DataGenerator生成一些新的行程資料，將它們載入到DataFrame中，並將DataFrame寫入Hudi表中。

val inserts = convertToStringList(dataGen.generateInserts(10))
val df = spark.read.json(spark.sparkContext.parallelize(inserts, 2))
df.write.format("hudi").
  options(getQuickstartWriteConfigs).
  option(PRECOMBINE_FIELD_OPT_KEY, "ts").
  option(RECORDKEY_FIELD_OPT_KEY, "uuid").
  option(PARTITIONPATH_FIELD_OPT_KEY, "partitionpath").
  option(TABLE_NAME, tableName).
  mode(Overwrite).
  save(basePath)

mode為Overwrite如果表存在則覆蓋重新建立表。可以從basePath = "file:///tmp/hudi_trips_cow" 設定的本地檔案目錄檢視hoodie的後設資料和資料的變化。

還可以通過外部化組態檔，可以在組態檔Hudi -default.conf中集中設定設定，而不是直接將設定設定傳遞給每個Hudi作業。

查詢資料

先轉成spark的df，然後再執行spark sql的查詢

val tripsSnapshotDF = spark.
  read.
  format("hudi").
  load(basePath)
tripsSnapshotDF.createOrReplaceTempView("hudi_trips_snapshot")

spark.sql("select fare, begin_lon, begin_lat, ts from  hudi_trips_snapshot where fare > 20.0").show()
spark.sql("select _hoodie_commit_time, _hoodie_record_key, _hoodie_partition_path, rider, driver, fare from  hudi_trips_snapshot").show()

每個hoodie表固定加了如下的五個欄位，hoodie提交時間、hoodie提交序號、hoodie記錄鍵、hoodie分割區路徑、hoodie檔名。

更新資料

類似於插入新資料，同樣使用資料生成器生成新的行程的資料，載入到DataFrame中，並將DataFrame寫入hudi表。

val updates = convertToStringList(dataGen.generateUpdates(10))
val df = spark.read.json(spark.sparkContext.parallelize(updates, 2))
df.write.format("hudi").
  options(getQuickstartWriteConfigs).
  option(PRECOMBINE_FIELD_OPT_KEY, "ts").
  option(RECORDKEY_FIELD_OPT_KEY, "uuid").
  option(PARTITIONPATH_FIELD_OPT_KEY, "partitionpath").
  option(TABLE_NAME, tableName).
  mode(Append).
  save(basePath)

注意，現在儲存模式是追加。通常，總是使用追加模式，除非您試圖第一次建立表。再次查詢資料將顯示更新的行程。每個寫操作都會生成一個由時間戳表示的新提交。在之前的提交中尋找相同的_hoodie_record_keys的_hoodie_commit_time、rider、driver欄位的變化。

val tripsSnapshotDF = spark.
  read.
  format("hudi").
  load(basePath)
tripsSnapshotDF.createOrReplaceTempView("hudi_trips_snapshot")

spark.sql("select _hoodie_commit_time, _hoodie_record_key, _hoodie_partition_path, fare, begin_lon, begin_lat, ts,rider, driver from  hudi_trips_snapshot").show()

查詢更新後的資料，已經有部分未更新後的資料，提交時間也有其他的值，記錄數還是10條。

檢視hoodie目錄下已經多個一個版本檔案

時間旅行查詢

從0.9.0開始支援時間旅行查詢。目前支援三種查詢時間格式，如下所示

val tripsSnapshotDF = spark.read.
  format("hudi").
  option("as.of.instant", "20221122143158632").
  load(basePath)

spark.read.
  format("hudi").
  option("as.of.instant", "2022-11-22 14:31:58.632").
  load(basePath)

// 等價於"as.of.instant = 2022-11-22 00:00:00"
spark.read.
  format("hudi").
  option("as.of.instant", "2022-11-22").
  load(basePath)

使用第一種範例如下:

val tripsSnapshotDF1 = spark.read.
  format("hudi").
  option("as.of.instant", "20221121184124298").
  load(basePath)

tripsSnapshotDF1.createOrReplaceTempView("hudi_trips_snapshot1")
spark.sql("select _hoodie_commit_time, _hoodie_record_key, _hoodie_partition_path, fare, begin_lon, begin_lat, ts,rider, driver from  hudi_trips_snapshot1").show()

增量查詢

Hudi還提供了獲取自給定提交時間戳以來更改的記錄流的功能。這可以通過使用Hudi的增量查詢來實現，並提供需要流化更改的開始時間。如果希望在給定的提交之後進行所有更改(通常是這樣)，則不需要指定endTime。這將給出在beginTime提交後發生的所有更改，過濾器為fare > 20.0。該特性的獨特之處在於，它現在允許您在批次處理資料上編寫流管道。利用增量管道可以在批次處理資料上建立增量管道。

先將上面的更新資料多執行幾次，產生多個版本的資料

spark.
  read.
  format("hudi").
  load(basePath).
  createOrReplaceTempView("hudi_trips_snapshot")

val commits = spark.sql("select distinct(_hoodie_commit_time) as commitTime from  hudi_trips_snapshot order by commitTime").map(k => k.getString(0)).take(50)
val beginTime = commits(commits.length - 2)

val tripsIncrementalDF = spark.read.format("hudi").
  option(QUERY_TYPE_OPT_KEY, QUERY_TYPE_INCREMENTAL_OPT_VAL).
  option(BEGIN_INSTANTTIME_OPT_KEY, beginTime).
  load(basePath)
tripsIncrementalDF.createOrReplaceTempView("hudi_trips_incremental")

spark.sql("select `_hoodie_commit_time`, fare, begin_lon, begin_lat, ts from  hudi_trips_incremental where fare > 20.0").show()

指定時間點查詢

時間可以通過將endTime指向特定的提交時間，將beginTime指向「000」(表示儘可能早的提交時間)來表示。

val beginTime = "000" 
val endTime = commits(commits.length - 2) 

val tripsPointInTimeDF = spark.read.format("hudi").
  option(QUERY_TYPE_OPT_KEY, QUERY_TYPE_INCREMENTAL_OPT_VAL).
  option(BEGIN_INSTANTTIME_OPT_KEY, beginTime).
  option(END_INSTANTTIME_OPT_KEY, endTime).
  load(basePath)
tripsPointInTimeDF.createOrReplaceTempView("hudi_trips_point_in_time")
spark.sql("select `_hoodie_commit_time`, fare, begin_lon, begin_lat, ts from hudi_trips_point_in_time where fare > 20.0").show()

刪除資料

Apache Hudi支援兩種型別的刪除:

軟刪除:保留記錄鍵，只清除所有其他欄位的值(軟刪除中為空的記錄始終儲存在儲存中，而不會刪除）。注意，儲存模式是追加。

先查詢當前記錄數

spark.
  read.
  format("hudi").
  load(basePath).
  createOrReplaceTempView("hudi_trips_snapshot")
spark.sql("select uuid, partitionpath from hudi_trips_snapshot").count()
spark.sql("select uuid, partitionpath from hudi_trips_snapshot where rider is not null").count()

執行軟刪除後檢視記錄數,有兩條被置為空。

val softDeleteDs = spark.sql("select * from hudi_trips_snapshot").limit(2)

val nullifyColumns = softDeleteDs.schema.fields.
  map(field => (field.name, field.dataType.typeName)).
  filter(pair => (!HoodieRecord.HOODIE_META_COLUMNS.contains(pair._1)
    && !Array("ts", "uuid", "partitionpath").contains(pair._1)))

val softDeleteDf = nullifyColumns.
  foldLeft(softDeleteDs.drop(HoodieRecord.HOODIE_META_COLUMNS: _*))(
    (ds, col) => ds.withColumn(col._1, lit(null).cast(col._2)))

softDeleteDf.write.format("hudi").
  options(getQuickstartWriteConfigs).
  option(OPERATION_OPT_KEY, "upsert").
  option(PRECOMBINE_FIELD_OPT_KEY, "ts").
  option(RECORDKEY_FIELD_OPT_KEY, "uuid").
  option(PARTITIONPATH_FIELD_OPT_KEY, "partitionpath").
  option(TABLE_NAME, tableName).
  mode(Append).
  save(basePath)

spark.
  read.
  format("hudi").
  load(basePath).
  createOrReplaceTempView("hudi_trips_snapshot")
spark.sql("select uuid, partitionpath from hudi_trips_snapshot").count()
spark.sql("select uuid, partitionpath from hudi_trips_snapshot where rider is not null").count()

硬刪除:從表中物理刪除記錄的任何痕跡。

刪除傳進來的hoodiekey記錄,刪除操作只支援「追加」模式。

spark.sql("select uuid, partitionpath from hudi_trips_snapshot").count()
val ds = spark.sql("select uuid, partitionpath from hudi_trips_snapshot").limit(2)

val deletes = dataGen.generateDeletes(ds.collectAsList())
val hardDeleteDf = spark.read.json(spark.sparkContext.parallelize(deletes, 2))

hardDeleteDf.write.format("hudi").
  options(getQuickstartWriteConfigs).
  option(OPERATION_OPT_KEY, "delete").
  option(PRECOMBINE_FIELD_OPT_KEY, "ts").
  option(RECORDKEY_FIELD_OPT_KEY, "uuid").
  option(PARTITIONPATH_FIELD_OPT_KEY, "partitionpath").
  option(TABLE_NAME, tableName).
  mode(Append).
  save(basePath)

val roAfterDeleteViewDF = spark.
  read.
  format("hudi").
  load(basePath)

roAfterDeleteViewDF.registerTempTable("hudi_trips_snapshot")
spark.sql("select uuid, partitionpath from hudi_trips_snapshot").count()

覆蓋資料

生成一些新的行程資料，覆蓋輸入中出現的所有分割區。對於批次處理ETL作業，此操作比upsert快，批次處理ETL作業一次重新計算整個目標分割區(與增量更新目標表相反)。這是由於能夠完全繞過索引、預合併和upsert寫路徑中的其他重分割區步驟。

先檢視當前的key資料

spark.
  read.format("hudi").
  load(basePath).
  select("uuid","partitionpath").
  sort("partitionpath","uuid").
  show(100, false)

執行覆蓋資料操作（類似hive的insert overwrite的功能）後檢視key的資料。

val inserts = convertToStringList(dataGen.generateInserts(10))
val df = spark.
  read.json(spark.sparkContext.parallelize(inserts, 2)).
  filter("partitionpath = 'americas/united_states/san_francisco'")
df.write.format("hudi").
  options(getQuickstartWriteConfigs).
  option(OPERATION.key(),"insert_overwrite").
  option(PRECOMBINE_FIELD.key(), "ts").
  option(RECORDKEY_FIELD.key(), "uuid").
  option(PARTITIONPATH_FIELD.key(), "partitionpath").
  option(TBL_NAME.key(), tableName).
  mode(Append).
  save(basePath)

spark.
  read.format("hudi").
  load(basePath).
  select("uuid","partitionpath").
  sort("partitionpath","uuid").
  show(100, false)

spark-sql使用

啟動

Hudi支援使用Spark SQL與HoodieSparkSessionExtension SQL擴充套件寫和讀資料。在解壓的目錄下執行Spark SQL和Hudi:

啟動hive的後設資料服務

nohup hive --service metastore &

啟動spark-sql,如果沒有設定hive的環境變數，拷貝hive-site.xml到spark的conf目錄。不同版本（Spark 3.3、Spark 3.2、Spark 3.1、Spark 2.4）的spark-sql啟動命令有所不同，下面以Spark 3.3來操作演示

spark-sql --packages org.apache.hudi:hudi-spark3.3-bundle_2.12:0.12.1 \
--conf 'spark.serializer=org.apache.spark.serializer.KryoSerializer' \
--conf 'spark.sql.extensions=org.apache.spark.sql.hudi.HoodieSparkSessionExtension' \
--conf 'spark.sql.catalog.spark_catalog=org.apache.spark.sql.hudi.catalog.HoodieCatalog'

建立表

Spark SQL需要一個顯式的create table命令。

Hudi的兩種表型別：即寫時複製(COW)和讀時合併(MOR)，都可以使用Spark SQL建立。在建立表時，可以使用type選項指定表的型別:type = 'cow'或type = 'mor'。
分割區表和非分割區表：使用者可以在Spark SQL中建立分割區表或非分割區表。要建立分割區表，需要使用partitioned by語句指定分割區列以建立分割區表。當沒有使用create table命令進行分割區的語句時，該表被認為是一個非分割區表。
內部管理表和外部表：通常，Spark SQL支援兩種表，即託管表和外部表。如果使用location語句或使用create external table顯式地建立表來指定一個位置，則它是一個外部表，否則它被認為是一個內部管理表。

接下來通過實際sql演示如何建立不同的表。

建立一個非分割區表

建立一個cow表，預設primaryKey 'uuid'，不提供preCombineField。

create database hudi_spark;
use hudi_spark;
create table hudi_cow_nonpcf_tbl (
  uuid int,
  name string,
  price double
) using hudi;

建立一個提供preCombineField的mor非分割區表

create table hudi_mor_tbl (
  id int,
  name string,
  price double,
  ts bigint
) using hudi
tblproperties (
  type = 'mor',
  primaryKey = 'id',
  preCombineField = 'ts'
);

建立外部COW分割區表

create table hudi_cow_pt_tbl (
  id bigint,
  name string,
  ts bigint,
  dt string,
  hh string
) using hudi
tblproperties (
  type = 'cow',
  primaryKey = 'id',
  preCombineField = 'ts'
 )
partitioned by (dt, hh)
location '/tmp/hudi/hudi_cow_pt_tbl';

為已有的Hudi Table建立Table，可以在現有的hudi表上建立一個表(用spark-shell或deltastreamer建立)。這對於對已有的hudi表進行讀寫非常有用。

create table hudi_existing_tbl using hudi
location '/tmp/hudi/hudi_cow_pt_tbl';

CTAS，Hudi 支援在Spark SQL使用CTAS (Create Table As Select)

建立一個不帶preCombineField的非分割區cow表

create table hudi_ctas_cow_nonpcf_tbl
using hudi
tblproperties (primaryKey = 'id')
as
select 1 as id, 'a1' as name, 10 as price;

使用範例建立一個分割區的主鍵COW表。

create table hudi_ctas_cow_pt_tbl
using hudi
tblproperties (type = 'cow', primaryKey = 'id', preCombineField = 'ts')
partitioned by (dt)
as
select 1 as id, 'a1' as name, 10 as price, 1000 as ts, '2021-12-01' as dt;

通過CTAS從另一個表載入資料，file://代表本地檔案目錄

create table parquet_mngd using parquet location 'file:///tmp/parquet_dataset/*.parquet';
create table hudi_ctas_cow_pt_tbl2 using hudi location 'file:/tmp/hudi/hudi_tbl/' options (
  type = 'cow',
  primaryKey = 'id',
  preCombineField = 'ts'
 )
partitioned by (datestr) as select * from parquet_mngd;

建立表屬性可以在建立hudi表時設定表屬性，關鍵選項如下：

primaryKey：表的主鍵名，多個欄位用逗號分隔。與hoodie.datasource.write.recordkey.field相同，預設為uuid。
preCombineField：表的預合併欄位，與hoodie.datasource.write.precombine.field相同。
type：建立的表型別，type = 'cow'表示COPY-ON-WRITE表，而type = 'mor'表示MERGE-ON-READ表。與hoodie.datasource.write.table.type相同。

插入資料

-- 插入非分割區表
insert into hudi_cow_nonpcf_tbl select 1, 'a1', 20;
insert into hudi_mor_tbl select 1, 'a1', 20, 1000;
-- 插入動態分割區
insert into hudi_cow_pt_tbl partition (dt, hh)
select 1 as id, 'a1' as name, 1000 as ts, '2021-12-09' as dt, '10' as hh;
-- 插入靜態分割區
insert into hudi_cow_pt_tbl partition(dt = '2021-12-09', hh='11') select 2, 'a2', 1000;

-- precombinefield提供的表的upsert模式
insert into hudi_mor_tbl select 1, 'a1_1', 20, 1001;
select id, name, price, ts from hudi_mor_tbl;

-- bulk_insert模式用於precombinefield提供的表
set hoodie.sql.bulk.insert.enable=true;
set hoodie.sql.insert.mode=non-strict;
insert into hudi_mor_tbl select 1, 'a1_2', 20, 1002;
select id, name, price, ts from hudi_mor_tbl;

時間旅行查詢

create table hudi_cow_pt_tbl (
  id bigint,
  name string,
  ts bigint,
  dt string,
  hh string
) using hudi
tblproperties (
  type = 'cow',
  primaryKey = 'id',
  preCombineField = 'ts'
 )
partitioned by (dt, hh)
location '/tmp/hudi/hudi_cow_pt_tbl';

insert into hudi_cow_pt_tbl select 3, 'c0', 1000, '2022-11-23', '10';
select * from hudi_cow_pt_tbl;

-- 記錄id=3 修改 `name`
insert into hudi_cow_pt_tbl select 3, 'c1', 1001, '2022-11-23', '10';
select * from hudi_cow_pt_tbl;

-- 基於第一次提交時間的時間旅行，假設 `20220307091628793`
select * from hudi_cow_pt_tbl timestamp as of '20221123153135498' where id = 3;
-- 基於不同時間戳格式的時間旅行
select * from hudi_cow_pt_tbl timestamp as of '2022-11-23 15:31:35.498' where id = 3;
select * from hudi_cow_pt_tbl timestamp as of '2022-11-23' where id = 3;

更新資料

update hudi_mor_tbl set price = price * 2, ts = 1111 where id = 1;
update hudi_cow_pt_tbl set name = 'a1_1', ts = 1001 where id = 1;
update hudi_cow_pt_tbl set ts = 1005 where name = 'a1_1';

使用hudi測試合併到非分割區表的源表

create table merge_source (id int, name string, price double, ts bigint) using hudi
tblproperties (primaryKey = 'id', preCombineField = 'ts');
insert into merge_source values (1, "old_a1", 22.22, 900), (2, "new_a2", 33.33, 2000), (3, "new_a3", 44.44, 2000);

merge into hudi_mor_tbl as target
using merge_source as source
on target.id = source.id
when matched then update set *
when not matched then insert *
;
select * from hudi_mor_tbl ;

源表使用拼花測試合併到分割區表

create table merge_source2 (id int, name string, flag string, dt string, hh string) using parquet;
insert into merge_source2 values (1, "new_a1", 'update', '2022-11-23', '10'), (2, "new_a2", 'delete', '2022-11-23', '11'), (3, "new_a3", 'insert', '2022-11-23', '12');

merge into hudi_cow_pt_tbl as target
using (
  select id, name, '1000' as ts, flag, dt, hh from merge_source2
) source
on target.id = source.id
when matched and flag != 'delete' then
 update set id = source.id, name = source.name, ts = source.ts, dt = source.dt, hh = source.hh
when matched and flag = 'delete' then delete
when not matched then
 insert (id, name, ts, dt, hh) values(source.id, source.name, source.ts, source.dt, source.hh)
;

刪除資料

delete from hudi_cow_nonpcf_tbl where uuid = 1;
delete from hudi_mor_tbl where id % 2 = 0;
delete from hudi_cow_pt_tbl where name = 'a1';

覆蓋資料

insert覆蓋分割區表使用INSERT_OVERWRITE_TABLE型別的寫操作，而非分割區表使用INSERT_OVERWRITE_TABLE型別的寫操作。

-- 插入覆蓋非分割區表
insert overwrite hudi_mor_tbl select 99, 'a99', 20.0, 900;
insert overwrite hudi_cow_nonpcf_tbl select 99, 'a99', 20.0;

-- 用動態分割區插入覆蓋分割區表
insert overwrite table hudi_cow_pt_tbl select 10, 'a10', 1100, '2021-12-09', '10';

-- 用靜態分割區插入覆蓋分割區表
insert overwrite hudi_cow_pt_tbl partition(dt = '2021-12-09', hh='12') select 13, 'a13', 1100;

其他

-- 改表名
ALTER TABLE hudi_cow_nonpcf_tbl RENAME TO hudi_cow_nonpcf_tbl2;
-- 新增列
ALTER TABLE hudi_cow_nonpcf_tbl2 add columns(remark string);
-- 修改列
ALTER TABLE hudi_cow_nonpcf_tbl2 change column uuid uuid bigint;
-- 設定表屬性
alter table hudi_cow_nonpcf_tbl2 set tblproperties (hoodie.keep.max.commits = '10');
-- 顯示分割區
show partitions hudi_cow_pt_tbl;
-- 刪除分割區
alter table hudi_cow_pt_tbl drop partition (dt='2022-11-23', hh='10');

本人部落格網站IT小神 www.itxiaoshen.com

巨量資料下一代變革之必研究資料湖技術Hudi原理實戰雙管齊下-中

核心原理

資料寫

寫操作

UPSERT寫流程

INSERT寫流程

INSERT OVERWRIT寫流程

Key 生成策略

刪除策略

寫流程歸納

資料讀

整合Spark使用

環境準備

spark-shell使用

啟動

插入資料

查詢資料

更新資料

時間旅行查詢

增量查詢

指定時間點查詢

刪除資料

覆蓋資料

spark-sql使用

啟動

建立表

插入資料

時間旅行查詢

更新資料

刪除資料

覆蓋資料

其他